随着网络的普及和信息服务的发展,信息服务系统在为用户提供越来越多选择的同时,其结构也变得更加复杂,用户经常会迷失在大量的信息空间中,无法顺利找到自己所需要的信息。推荐系统可以根据用户已有的记录信息,对目标用户所将感兴趣的信息进行推荐,可以更方便的帮助用户找到其所需的信息。随着商业信息化的发展,推荐系统在信息服务系统中的应用越来越广,所以提供准确而实时性的推荐系统将是加速当今信息产业化的重点目标。推荐系统通过预测用户对项目的喜好程度来为用户进行信息过滤,应用知识发现技术来生成个性化推荐。协同过滤是一种常用的减少信息过载的技术,已经成为了个性化推荐系统的一种主要技术,然而现有大多数协同过滤算法存在着几个主要问题:精确性,数据稀疏和冷启动问题。许多结合协同过滤与基于内容的信息过滤的算法可以解决这些问题,但是这些算法还不能很好的将用户的兴趣很好的表现出来,因此在很多时候推荐的结果并不能很好的满足用户的需要,而且在很多情况下,用户的兴趣是会随着时间的推移而发生变化的,所以,要想提高推荐的质量,就必须将用户的各个特征以及变化都相应的考虑进来;另外,不同的项目对于用户来说,是具有不同的价值的,而这些价值是可以从用户的评分信息中进行挖掘的。因此,资源本身的价值也可以成为我们对项目进行推荐的一个重要因素。如何提高推荐质量是本研究的目标,由于推荐质量的精确性从很大程序上取决于近邻用户的选取,所以要提高推荐质量,用户相似性的精确度就必须得到提高,同时也是本研究的重点。本文的研究主要是在用户信息相对完整的情况下,将用户的部分特征与资源权重相结合,提出了一种基于用户和资源权重的推荐方法,在传统的推荐方法上做了相应的改进。本文所做的主要研究以及创新性主要体现在以下几个方面:1)根据用户-项目评分表,建立相应的矢量空间模型,在本研究中主要包括用户特征模型和用户项目模型。2)在传统的协同过滤技术的基础上,引入了时间函数f(t),考虑了用户兴趣变化对用户间的相似性影响,并根据项目本身所体现的价值,设计出一个基于用户特征以及项目特征的算法,利用该算法计算出用户间的相似性,形成相似用户集。3)根据相似用户集中的用户信息,使用改进的协同过滤算法对用户未评分的项目进行评分预测,然后根据评分预算结果由高到低的顺序向用户推荐指定数量的项目。本文的创新点主要是在传统的协同过滤算法的基础上,将用户特征和资源权重相结合,对传统的算法作了进一种改进,能更好的适应用户兴趣随时间而发生的变化,并平稳的考虑了资源自身的权重,对最终的预测有一定的提高。增强了推荐的精确性和时效性。